Kamera als Sensor: Vision AI definiert Industrieüberwachung neu

Ein Sensor mit anderen Mitteln

Im Kern wird dabei eine Kamera mit einem KI-Modell kombiniert. Dieser Sensor ist ein Messinstrument, das visuelle Eingaben in numerische, quantifizierbare Ausgaben überführt. Experten nennen das Digital Measurement, mit dem ein IT-System sofort weiterarbeiten kann

Beispielsweise analysiert eine Kamera die Oberfläche eines Fertigungsteils. Die Ausgabe ist kein Foto, das ein Mensch betrachtet, sondern etwa Defect_Count: 3 und Scratch_Length: 1.2mm. Das sind Messwerte wie jeder andere. Sie lassen sich speichern, auswerten, mit Schwellenwerten versehen und als Trigger für nachgelagerte Prozesse verwenden.

Dasselbe Prinzip gilt für andere Anwendungsfälle. Eine Kamera, die überwacht, ob ein Mitarbeiter eine Gefahrenzone ohne Schutzhelm betritt, liefert PPE_Compliance: FALSE und Intrusion_Time: 12s. Eine Kamera, die Industrieanlagen auf Korrosion oder Leckagen prüft, gibt Oil_Leak_Status: True und Corrosion_Severity: 0.7 aus. Das Rohmaterial ist visuell. Das Ergebnis ist strukturierte, maschinenlesbare Information.

Warum Vision AI jetzt reif ist

Die Technologie selbst ist nicht neu. Computer Vision existiert seit Jahrzehnten, und erste industrielle Kamerasysteme waren schon in den 1990er-Jahren im Einsatz. Was sich verändert hat, ist der wirtschaftliche Einsatz.

Es sind drei Faktoren, die derzeit zusammentreffen. Zum einen werden leistungsstarke KI-fähige Kameras immer günstiger. Es stehen vortrainierte Modelle für gängige Industrieaufgaben bereit, welche den Trainingsaufwand reduzieren. Und Edge-Computing-Infrastruktur ist so weit gereift, dass KI-Inferenz direkt auf dem Gerät läuft.

Dadurch kann eine einzelne, kostengünstige KI-Kamera einen gesamten Lagerabschnitt oder eine Fertigungslinie überwachen und dabei gleichzeitig Daten für mehrere Anlagen und Prozesse erheben. Verglichen mit dem Aufwand, für jede Messgröße einen eigenen Kontaktsensor zu installieren und zu verkabeln, ist das wirtschaftlich ein anderes Kalkül.

Die physikalischen Grenzen traditioneller Sensorik

Vision AI entfaltet seinen eigentlichen Wert in Situationen, in denen klassische Sensorik, sei es aus physikalischen oder wirtschaftlichen Gründen, schlicht nicht funktioniert:

1. Berührungslose Messung: An einem fertig lackierten Karosseriebauteil lässt sich kein Kontaktsensor anbringen, ohne das Bauteil selbst zu beschädigen oder zu verunreinigen. Bewegliche Teile sind oft gar nicht zugänglich. Vision AI misst hier aus sicherer Distanz.
2. Kontextuelle und subjektive Beurteilungen: Ein Temperatursensor misst genau eine Variable. Eine Kamera mit KI-Modell misst potenziell unzählige visuelle Variablen gleichzeitig und kann dabei Kontext herstellen: Ist die Schutzausrüstung korrekt angelegt? Wurde der Montageschritt in der richtigen Reihenfolge ausgeführt? Zeigt das Gerät eine ungewöhnliche Betriebsstellung? Den Kontext, den solche Urteile benötigen, liefert die KI.
3. Wirtschaftliche Abdeckung: Für manche Überwachungsaufgaben wäre die nötige Anzahl klassischer Sensoren schlicht zu teuer oder technisch nicht realisierbar. Eine Kamera kann dagegen einen gesamten Bereich abdecken und dabei mehrere Szenarien parallel überwachen.

Das Skalierungsproblem – und warum es unterschätzt wird

Viele Unternehmen schaffen es, Vision AI in einem Piloten zum Laufen zu bringen. Die eigentliche Herausforderung beginnt beim Übergang in den produktiven Betrieb. Dann sind es nicht mehr fünf Kameras, sondern fünfhundert und nicht mehr ein Standort, sondern zwanzig.

An diesem Punkt wird deutlich, dass industrielle IoT-Infrastruktur grundlegend anders ist als klassische IT-Integration. Edge-Geräte müssen gewartet, aktualisiert, gesichert und überwacht werden. Die Zeiten, in denen ein industrielles Gerät jahrelang unberührt lief und statisch blieb, sind vorbei, sofern sie je wirklich existiert haben.

Konkret entstehen dabei mindestens vier kritische Problemfelder:

1. Flottenmanagement: Kameras sind über Dutzende Standorte verteilt, laufen unterschiedliche Modellversionen und erfordern individuelle Konfiguration. Manuelle Wartung, Remote-Troubleshooting und regelmäßige Rotation von Zugangsdaten sind ab einer bestimmten Flottengröße schlicht nicht mehr händisch zu bewältigen.
2. Modellversionierung und Drift: KI-Modelle müssen kontinuierlich verbessert, das heißt mit neuen Daten trainiert, verfeinert und aktualisiert werden. Neue Versionen manuell auf hunderten Geräten auszurollen ist fehleranfällig und führt zwangsläufig zu inkonsistenter Performance über die Flotte hinweg. Außerdem möchte man zur Nachvollziehbarkeit wissen, welches KI-Modell zu einem gewissen Zeitpunkt angewendet wurde.
3. Sicherheit: Jede Kamera mit Netzwerkanbindung ist ein potenzieller Angriffspunkt. Zertifikate müssen verwaltet, Kommunikation verschlüsselt, Authentifizierung zentralisiert werden. In kleinen Piloten ist das manuell machbar. Auf Unternehmensebene nicht.
4. Datensilos: Das vielleicht unterschätzteste Problem. Die Kamera erkennt einen Defekt, dessen Befund allerdings isoliert bleibt, wenn er nicht in die nachgelagerten Systeme integriert ist. Defect_Count: 3 ist wertlos, wenn daraus kein Wartungsauftrag im ERP entsteht, kein Alert im MES ausgelöst wird, kein Ticket im Qualitätsmanagementsystem erscheint. Vision AI ohne systemische Integration ist ein teures Dashboard.

Wo anfangen?

Für Unternehmen, die Vision AI testen möchten, empfiehlt sich ein anwendungsorientierter Einstieg. Drei Felder eignen sich besonders gut als Startpunkt:

1. Fertigung: In der Fertigung bietet die automatisierte Verifikation von Montageschritten unmittelbaren Wert. Wurde jedes Bauteil in der korrekten Reihenfolge verbaut? Ist die Verschraubung vollständig? Diese Prüfungen sind mit klassischer Sensorik kaum oder gar nicht durchführbar, manuell zeitaufwendig und fehleranfällig.
2. Energie und Versorgung: Hier ermöglicht Vision AI die Ferninspektion kritischer Infrastruktur auf Korrosion, mechanische Schäden oder Vegetation, die in Zonen hineinwächst, die freigehalten werden müssen. Regelmäßige physische Inspektionen lassen sich seltener, gezielter und kosteneffizienter gestalten.
3. Logistik und Bauwesen: In diesem Bereich steht die Arbeitssicherheit im Vordergrund. Die Überwachung von Schutzzonen rund um Gabelstapler, Erkennung fehlender Schutzausrüstung und Detektion unsicherer Handlungen in Gefahrenbereichen sind Aufgaben, die gut von Vision AI übernommen werden können.

Auf dem Weg zur Grundausrüstung?

Noch ist Vision AI kein selbstverständlicher Bestandteil industrieller Sensorik. Es steht an dem Punkt, den Temperatur- und Vibrationssensoren vor einigen Jahren durchlaufen haben. Sie sind zwar technisch ausgereift und wirtschaftlich attraktiv, aber in vielen Betrieben noch nicht angekommen.

„Viele Unternehmen schaffen es, Vision AI in einem Piloten zum Laufen zu bringen. Die eigentliche Herausforderung beginnt beim Übergang in den produktiven Betrieb. Dann sind es nicht mehr fünf Kameras, sondern fünfhundert und nicht mehr ein Standort, sondern zwanzig.“

Dr. Jürgen Krämer, Cumulocity

Der entscheidende konzeptionelle Schritt ist, Kameras nicht als Überwachungswerkzeuge zu verstehen, sondern als das, was sie mit KI-Modellen tatsächlich sind: Sensoren. Sensoren, die messen, was kein anderer Sensor messen kann und deren Messwerte sich genauso verarbeiten, verknüpfen und nutzen lassen wie jeder andere Datenstrom im industriellen IoT.

Über den Autor:
Dr. Jürgen Krämer ist Chief Product Officer und Geschäftsführer bei Cumulocity und verantwortet damit das gesamte Produkt- und Service-Portfolio der Marke. Er leitet die Teams für Produktmanagement und -marketing, Professional Services und das Partner-Ökosystem. Mit über 20 Jahren Erfahrung in der Softwareentwicklung und einem Doktor in Informatik war Jürgen Krämer unter anderem CEO und Mitgründer eines preisgekrönten Spin-offs der Universität Marburg, das 2010 von der Software AG übernommen wurde. Bereits zweimal wurde er vom Magazin Capital zu einem der "Top 40 unter 40" in Deutschland gewählt und ist Mitglied des BITKOM Management Clubs.

Die Autoren sind für den Inhalt und die Richtigkeit ihrer Beiträge selbst verantwortlich. Die dargelegten Meinungen geben die Ansichten der Autoren wieder.